OpenAI的gpt-oss模型独立基准测试：gpt-oss-120b是美国最智能的开源权重模型，在智能方面落后于Qwen3 235B，但效率却更胜一筹，速度更快。
最近在AI圈掀起一阵“开源狂欢”的OpenAI新作：gpt-oss-120b 和 gpt-oss-20b。听名字是不是特别激动人心？“gpt-oss”！哇哦！OpenAI终于良心发现，把自家核心技术开源了？
首先我们来拆解一下这个模型的名字：gpt-oss。看到“oss”两个字母，你的第一反应是不是“open source software”？没错，OpenAI就是冲着这个联想来的。它想让你觉得：“哇！OpenAI终于开放了！这是不是意味着我们可以像研究Llama那样拆解、修改、再训练、甚至商用？”
对不起，朋友，你想多了。这就像一家米其林三星餐厅突然宣布“今天免费试吃”，结果端上来的是菜单照片和空气汤——看起来很美，喝下去却连胃都填不饱。
gpt-oss确实用了Apache 2.0许可证，听起来非常宽松，允许商用、修改、分发，几乎没有任何限制。
但问题是：你拿到的到底是什么？ 是完整的训练数据？是训练脚本？是超参配置？是损失函数的设计细节？都不是。
你拿到的，只是一个推理模型权重文件，外加一个轻描淡写的模型卡（model card），里面写满了“我们很努力”“我们在进步”“我们比某些闭源模型差一点但便宜很多”之类的外交辞令。
换句话说，OpenAI给了你一辆跑车，但没给引擎图纸、没给油门原理、也没告诉你这车为什么能跑——你只能开，不能修，更不能造。
这就好比马斯克宣布“特斯拉开源”，然后发了个Model 3的遥控钥匙PDF文档，说：“喏，你们自己造吧。”你说这是开源吗？这是慈善义卖还是行为艺术？
性能吹上天，实际用起来像老年机——“最智能”的120B模型，智能在哪儿？
接下来我们看看性能。官方说gpt-oss-120b在“Intelligence Index”上拿了58分，仅次于DeepSeek R1的59和Qwen3 235B的64。听起来不错对吧？但别忘了，分数是人定的，标准是可调的，而幻觉是模型自带的。
我们来算笔账：DeepSeek R1有6710亿参数，激活370亿；Qwen3 235B也有两三百亿活跃参数。而gpt-oss-120b呢？总共1168亿参数，但每次推理只激活5.1亿！
也就是说，它其实是个“懒人模型”——95%以上的参数都在睡觉，只有4.4%的“值班专家”在干活。
这就像一家公司号称有1000名员工，结果每天只有40个人上班，其他人都在带薪摸鱼。你说这家公司效率高？可能吧，但产出能有多少？
更讽刺的是，OpenAI自己承认：这个模型的幻觉率比o4-mini还高。一个号称“开源旗舰”的模型，居然在“说实话”这件事上还不如自家闭源的小弟？这就好比你儿子考试考了58分，你非说他比隔壁考60分的孩子“更有潜力”，只因为他用的笔更便宜——逻辑上说得通吗？消费者买的是潜力，还是结果？
而且别忘了，这模型知识面窄得像胡同口的煎饼摊。遇到主流话题还能勉强应付，一旦聊到芬兰语、冰岛语、或者某个冷门量子物理理论，它就开始胡言乱语，仿佛在演《哈利波特》里的洛哈特教授——自信满满，一开口全是错的。
我在测试中发现，它写芬兰语时错字连篇，语法混乱，简直像是用谷歌翻译倒着译了三遍。难道是tokenizer没好好学过芬兰语字母表？还是OpenAI训练时根本没喂过北欧语料？我们不得而知，但结果就是：你想用它做多语言应用？省省吧，连“hyvä päivä”（好日子）都能拼成“hyva paiva”，你敢信？
代码生成？UI设计大师，工程学文盲——“能跑”的代码它写不出来，“好看”的网页它做一堆
再来说说代码能力。OpenAI宣传说这模型适合开发者，API便宜，推理快，部署方便。确实，在MacBook上跑几十token/秒，听起来很香。但问题是：它生成的代码能运行吗？
我的实测结果是：不能。
我让它写了个简单的Python爬虫，带错误处理和数据存储。结果它生成的代码看起来结构清晰、注释完整、PEP8合规，像是从《Effective Python》里抄下来的范文——但一运行，直接报错：requests没导入，json.loads处理空响应时崩溃，路径拼接用的是Windows反斜杠但在Linux环境运行……总之，完美符合“看起来很专业，实际上一文不值”这一经典AI特征。
更离谱的是，它写HTML+CSS却异常“出色”。色彩搭配优雅，布局响应式，动画过渡丝滑，F12打开开发者工具都忍不住想点赞。但问题是：这个网页根本动不了。JavaScript是空的，按钮没绑定事件，表单提交直接刷新页面。这就像一个建筑师设计了一栋美轮美奂的别墅，结果忘了装门和楼梯——你能住吗？不能，但拍照发朋友圈绝对获赞无数。
所以结论是：gpt-oss-120b是个视觉系选手，擅长表演，不擅长干活。它适合写PPT、做原型、忽悠投资人，但不适合真正开发产品。你要是个创业者，拿它做MVP演示，可能能骗到天使轮；但你要是个工程师，拿它写生产代码，怕是连试用期都过不了。
便宜是真便宜，限制是真离谱——“自由”的API背后，是比闭源模型更严的审查
说到价格，这确实是gpt-oss的一大卖点。API报价：120B模型输入0.15$/百万token，输出0.69$；20B更便宜，输入0.08$，输出0.35$。相比之下，o4-mini要1.1/4.4，o3更是高达2/8。看起来便宜了将近10倍，简直是开发者福音。
但！是！但！
便宜的代价是什么？是比gpt-4o还狠的审查机制。
我试了几个无害但稍微敏感的话题：比如“如何在家种植蘑菇”（合法食用菌），它说“可能涉及非法种植”；“讨论北欧政治体制”被判定为“地缘政治风险”；甚至让我写一首关于“秋天落叶”的诗，它都要提醒“避免隐喻社会变迁”。这哪是AI？这是AI政审办主任！
OpenAI自己的模型卡都承认了：它的内容过滤比o4-mini更严格。也就是说，你花更少的钱，买到了一个更不敢说话的模型。这就像你去餐厅点了个打折套餐，结果服务员告诉你：“今天的菜都去味了，为了安全。”
相比之下，Qwen3、DeepSeek R1、GLM-4.5这些中国模型虽然也有安全机制，但至少还能正常对话。Kimi K2虽然也爱说“我不能回答这个问题”，但至少在创意写作、长文本生成、代码代理任务上表现活跃。而gpt-oss？它像是一个被吓怕了的前高管，说话前先看三遍公司合规手册。
对比中国模型？别开玩笑了——Qwen3、DeepSeek才是真正的“开源王者”
现在我们来点名表扬几位真正的开源英雄：阿里通义千问Qwen3 235B、深度求索DeepSeek R1、智谱GLM-4.5、月之暗面Kimi K2。
- - Qwen3 235B，64分 intelligence index，支持128K上下文，多语言能力强，代码生成靠谱，Apache 2.0开源，训练细节透明。
- - DeepSeek R1，59分，MoE架构，FP8精度，虽然文件大，但性能稳，推理质量高，社区支持好。
- - GLM-4.5，中文理解无敌，逻辑推理强，API稳定，企业级应用广泛。
- - Kimi K2，虽然也有审查，但在长文本、创意写作、代理任务上表现出色，适合做AI助手。
而gpt-oss-120b呢？它像是OpenAI扔出来的一颗烟雾弹：用“开源”吸引眼球，用“便宜”吸引开发者，用“H100可跑”吸引中小企业，但实际上——它既不够强，也不够开放，更不够自由。
它唯一的优势是“在单卡H100上能跑”，但这算优势吗？H100现在多稀缺？你真有H100，为什么不直接跑Qwen3或DeepSeek？它们更强，社区更活跃，文档更完整。
gpt-oss，一场“开源秀”，而非“开源革命”
所以，gpt-oss到底是什么？
它不是开源的胜利，而是一场精心策划的品牌公关秀。OpenAI通过发布一个“看起来开源”的模型，既回应了外界对“闭源垄断”的批评，又没有真正交出核心技术，同时还用低价API抢占市场，挤压其他开源模型的生存空间。
它像极了好莱坞大片里的“英雄”——穿着斗篷，喊着口号，最后拯救的其实是票房和股价。
对于开发者来说，短期可以试试，长期不建议依赖。如果你需要一个快速、便宜、能跑的模型，gpt-oss-20b在消费级设备上确实香。但如果你要做严肃项目、多语言应用、复杂代码生成，请直接转向Qwen、DeepSeek、GLM等真正有实力的开源模型。
开源大模型对比测试链接：
https://artificialanalysis.ai/models/open-source